Klynger af menneskelige hjerneceller dyrket i petriskåle er blevet integreret med computere for at opnå et grundlæggende niveau af talegenkendelse.
Feng Guo, fra Indiana University Bloomington, forklarer undersøgelsen, der er offentliggjort i Naturelektronik"Dette er en foreløbig demonstration for at vise, at konceptet kan lade sig gøre. Der er stadig en lang rejse foran os."
Guo peger på to primære udfordringer i konventionel AI, som denne form for biologisk AI søger at løse: højt energiforbrug og de iboende begrænsninger i siliciumchips, som deres forskellige funktioner til behandling og lagring af information.
Guos team, sammen med andre, såsom Australiens Cortical Labs, som trænede hjerneceller til at spille Pong i 2022I øjeblikket udforsker de biocomputing med levende nerveceller som en potentiel løsning på disse udfordringer.
Disse hjerneorganoider - selvorganiserede, tredimensionelle vævskulturer, der ligner minihjerner - opstår fra stamceller under specifikke vækstbetingelser.
De kan vokse til et par millimeter i diameter og indeholde op til 100 millioner nerveceller. Til sammenligning har en menneskehjerne cirka 100 milliarder nerveceller. Organoiderne placeres oven på et mikroelektrode-array, som både stimulerer organoiden og registrerer neuronal aktivitet. Guos team kalder denne opsætning for "Brainoware".
I bund og grund er Brainoware en ny form for AI, der er helt anderledes end det, vi normalt ser i computere og smartphones.
I stedet for at bruge almindelige chips har forskerne skabt en lille klynge af menneskelige hjerneceller - Hjerneorganoiden. Denne lille "minihjerne" er dyrket i et laboratorium ud fra stamceller, og den kan udføre nogle grundlæggende opgaver, som vi normalt forbinder med AI, som f.eks. at genkende talemønstre.
Sådan fungerer det
Hjerneorganoidet placeres på et særligt apparat, der kan sende og aflæse elektriske signaler.
På den måde kan forskerne kommunikere med organoiden og på en måde lære den at reagere på bestemte mønstre eller input. I undersøgelsen trænede de den i at genkende forskellige stemmer fra lydklip.
Et af de mest bemærkelsesværdige aspekter ved Brainware er, at den lærer og tilpasser sig. Ligesom en menneskehjerne bliver bedre til opgaver med øvelse, forbedrer organoiden sin evne til at genkende stemmer, jo mere den udsættes for dem.
Det bringer os et skridt tættere på at skabe AI, der fungerer mere som den menneskelige hjerne, som er usædvanlig effektiv og ikke behøver meget energi for at fungere (omtrent som en lille elpære).
Der er dog udfordringer. Det er vanskeligt at dyrke disse hjerneorganoider - de er svære at skabe, svære at reproducere konsekvent og holder ikke længe, men teamet arbejder på løsninger.
Brainoware-præstation
I et uovervåget talegenkendelseseksperiment blev organoiderne trænet til at skelne en enkelt stemme fra 240 lydoptagelser af otte personer, der udtalte japanske vokallyde. Disse lyde blev konverteret til signalsekvenser og rumlige mønstre for organoiderne.
Til at begynde med viste organoiderne en nøjagtighed på cirka 30 til 40%, som blev forbedret til 70 til 80% efter to dages træning.
Mere om undersøgelsen
Bio-inspireret AI tager et par forskellige former, som f.eks. neuromorfe chips baseret på biologiske neuroner. Dette går et skridt videre ved at skabe beregningsarkitektur fra biologiske organoider.
Her er flere detaljer om, hvordan det fungerer:
- Bio-inspireret AI-hardware: Undersøgelsen, der er offentliggjort i Nature Electronics, introducerer Brainoware, en ny AI-hardware, der anvender biologiske neurale netværk i en hjerneorganoide. Dette markerer et grundlæggende skift fra traditionelle hjerneinspirerede siliciumchips og giver en mere autentisk emulering af hjernens funktion.
- Brainowares struktur og funktionalitet: Brainoware fungerer ved at forbinde en hjerneorganoide, der er dyrket af menneskelige pluripotente stamceller, med et multielektrodearray med høj densitet. Denne opsætning muliggør både transmission af elektriske signaler til organoiden og registrering af neurale reaktioner. Organoidet udviser egenskaber som ikke-lineær dynamik, hukommelse og evnen til at behandle rumlig information.
- Anvendelser demonstreret i undersøgelsen: Teamet har med succes anvendt Brainoware i praktiske scenarier som f.eks. talegenkendelse og forudsigelse af ikke-lineære kaotiske ligninger (som Hénon-kortet). Dette viser Brainowares evne til at forbedre sin computerydelse gennem træning, hvilket understreger dens potentiale for opgaver, der kræver adaptiv læring.
- Udfordringer og begrænsninger: På trods af sin innovative tilgang står Brainoware over for flere tekniske udfordringer, herunder generering og vedligeholdelse af hjerneorganoider. Derudover hæmmer hardwarens afhængighed af perifert udstyr dens potentiale. Man har med andre ord brug for en masse støtteudstyr for at få hjerneorganerne til at fungere korrekt.
- Fremtidige retninger og potentiale: Undersøgelsen tyder på, at Brainoware kan udvikle sig til et mere effektivt og sofistikeret system med fremskridt inden for dyrkning af organoider og løsning af praktiske problemer i forbindelse med organoider. Det kan føre til AI-hardware, der i højere grad efterligner den menneskelige hjernefunktion, hvilket potentielt kan sænke energiforbruget.
I fremtiden kan denne type biocomputing-systemer måske udføre AI-opgaver mere energieffektivt end traditionelle siliciumbaserede chips.
Udviklingen inden for bioinspireret AI fra i år viser enorme muligheder for at hjælpe AI-industrien med at overvinde grænserne for brute-force computing og skabe energieffektive teknologier, der er lige så elegante som naturen.
